类型b：学术综述报告
作者与出版信息 该论文由李心怡（浙江大学信息与电子工程学院）、杨照辉（浙江大学）、黄崇文（浙江大学）、陈晓明（浙江大学）、许威（东南大学）和张朝阳（浙江大学）共同完成，发表于《移动通信》（Mobile Communications）2025年1月第1期，标题为《6G内生智能无线大模型：安全、隐私、伦理和高能效》。
研究背景 随着生成式预训练模型（Generative Pre-trained Transformer, GPT）等基础模型（Foundation Models）的兴起，人工智能大模型在无线通信领域的应用潜力逐渐显现。然而，将大模型技术引入6G无线网络也带来了安全、隐私、伦理和能效等关键挑战，成为当前研究的重点问题。
主要观点阐述
- 无线大模型的基础架构与关键技术
- 架构创新：论文详细分析了Transformer和Mamba两种架构在无线通信中的应用潜力。Transformer通过自注意力机制处理序列数据，适用于信道状态信息（CSI）反馈等任务；而Mamba采用结构化状态空间模型（S4），以线性计算复杂度实现长序列建模，更适合边缘设备部署。
- 分布式学习技术：重点探讨联邦学习（FL, Federated Learning）、拆分学习（SL, Split Learning）与区块链的协同应用。实验显示，在GPT-2模型上采用拆分联邦学习，其困惑度（PPL）指标与集中式学习相当（见图1数据），同时显著提升隐私保护能力。
- 安全威胁与防御机制
- 攻击类型：揭示大模型面临的投毒攻击（Poisoning Attacks）和后门攻击（Backdoor Attacks）风险，特别是在联邦学习场景中恶意参数上传可能导致全局模型失效。
- 语义通信安全：提出知识库安全（Shared Knowledge Base Security）和语义信息安全（Semantic Information Security）的双层防护框架。对抗性攻击可通过添加微小扰动（例如信道噪声）篡改语义含义，传统防御方法因计算成本过高需开发轻量化方案。
- 创新防御：建议采用基于区块链的FL框架（如文献15方案）结合安全多方计算（SMPC），实验证明可有效识别98%的污染模型更新。
- 隐私保护与伦理挑战
- 技术三重防护：
- 差分隐私（DP, Differential Privacy）：在车联网场景中，本地差分隐私（LDP）可使敏感信息泄露风险降低63%（文献26数据）。
- 同态加密（HE, Homomorphic Encryption）：虽能实现密文推理，但Softmax等操作无法支持，需开发近似算法。
- 去中心化架构：通过边缘服务器分流核心网数据请求，减少用户ID等隐私暴露。
- 伦理问题：指出训练数据偏见可能导致服务质量歧视（如特定地区信号优先级差异），需建立数据清洗透明机制。
- 高能效优化策略
- 模型压缩：量化（Quantization）和低秩近似（Low-rank Approximation）可使1750亿参数的Bloom模型训练能耗降低40%（文献29数据）。但压缩率超过30%时会引发准确率骤降，需动态平衡。
- 数据选择：通过提示工程（Prompt Engineering）优化，少样本提示（Few-shot Prompting）技术仅需5%训练样本即可达到85%的基准性能（文献31测试结果）。
- 通信-计算联合优化：在FL框架下，联合优化本地计算与传输功耗可降低总能耗达28%（文献33方案）。
- 6G内生智能架构的融合创新
- 云-边协同：提出将大模型预训练部署于云端，微调和推理下沉至边缘设备，实测延迟减少55%。
- 跨领域应用：
- 物理层安全：大模型辅助人工噪声生成，使窃听信道容量降低至0.5bps/Hz（文献37实验）；
- 标准解读：LLM微调后对3GPP文档的查询准确率达92%（原文3.1节），显著提升研发效率。
- 量子计算融合：指出量子比特并行处理有望突破现有加密算力瓶颈，但需解决退相干问题。
研究价值与意义 该论文系统梳理了6G无线大模型在四个关键维度的研究进展，具有以下突出贡献： 1. 首次提出内生智能无线大模型的完整架构设计，填补了云-边协同与语义通信融合的理论空白； 2. 创新性地将区块链、差分隐私等跨领域技术引入通信模型保护，为解决隐私-效能矛盾提供新思路； 3. 通过详实的实验数据（如拆分联邦学习性能对比、LDP隐私保护效果等），为后续研究建立可量化的基准。
重要发现与特色 1. 方法学创新：提出将Mamba架构应用于信道预测，其O(n)复杂度比传统Transformer节省72%边缘设备算力； 2. 跨学科整合：率先探讨量子计算在无线大模型中的潜力，为6G演进指明前沿方向； 3. 工程指导价值：针对3GPP标准理解困难的实际问题，验证LLM辅助学习的可行性，具有直接产业应用价值。